想在板子上做一个 Webrtc ， SRS 源码拉下来编译，会有些问题，有没有大佬可以指教一下。
导入环境变量
export STAGING_DIR=/home/xxx/V853/prebuilt/gcc/linux-x86/arm/toolchain-sunxi-musl/
export PATH=/home/xxx/V853/prebuilt/gcc/linux-x86/arm/toolchain-sunxi-musl/toolchain/bin:$PATH
./configure --cross-build --cross-prefix=arm-openwrt-linux-
make
串口log上持续输出，用的是V853S 芯片，spi nand flash 。使用起来没感觉有啥问题。接上串口发现一直在打印这个，但找不到哪里打印的。
isp 要多占一个 节点。 0 对应 video12, 1 对应video 13
瞅了下，接口最后是 video_set_control(video, V4L2_CID_VFLIP, value)，你要看一下你sensor 驱动里面 sensor_s_ctrl - case V4L2_CID_VFLIP 有没有实现吧。
@xiaowenge 不是额， 我看 sample 里面的printf 都是从 tina 运行界面打印出来的。 用 printk 才是从串口打印出来
有一些应用上 printfk 是通过串口输出，printf 从终端上输出来。能不能怎么设置，让printf也从串口输出呢？调试接两个口 挺不方便的
在 board .dts 里面，sensor 0 sensor1 找不到配置其 IO的地方，例如像 lcd 里面就有 pinctrl的配置。但sensor 0 sensor1 就没有，请教下怎么修改 DVP ，准备使用 3个 sensor。按照双摄文档 试了下 双摄双路 mipi gc2053 是可以的，再多加一路 dvp 该怎么设置？
尝试了修改了 thresh 跟 nms 。发现 nms 不影响结果，thresh只有是1的情况下，才会什么也没检测到。只要 threshold 不是1，即使是 0.9 也会出满屏的框。 怀疑是不是 部署 int8 的方式不对？想请问下，YOLOV3 量化使用 int8 的话，是否是我这种方式？ 还是说 SDK yolov3 后处理需要去修改呢？
按照在线文档使用 yolov3 模型转换部署后，发现同样模型对比海思识别效果，V853 比较差。 不过 海思那边是 用的int8，在V853 部署上 量化将 qtype 改为 int8
pegasus quantize --model yolov3.json --model-data yolov3.data --batch-size 1 --device CPU --with-input-meta yolov3_inputmeta.yml --rebuild --model-quantize yolov3.quantize --quantizer asymmetric_affine --qtype int8
这样部署后的模型，使用 SDK 的 yolov3 去识别图片会有问题，是否有其他地方要对应修改。
yolov3 ./yolov3_int8.nb 1.jpg
@yuzukitsuru 这个有看过，直接下了 文章附件 qt5.12.6.tar 去运行，一样是提示缺少 libGLESv2.so 缺失无法运行。 所以怀疑是哪个配置项没有开启导致的。
按照文档主动开了这三个
@yuzukitsuru 请问是具体关闭哪个选项。没找到哪里有关于 gpu 的选项，这个 libGLESv2.so 是gpu的一个库吗？
请教一下，拿1.0 SDK，按照文档开了 qt5-core qt5-examples
可以编过。但运行 examples 会报错。
想试一下 tina 提供的应用demo 都编不过，
qt-washing-machine 同样缺少 libGLESv2.so
使用 sample_takepicture 拍出来图片自动封装成 jpg 。
想将 jpg 直接输出到显示屏，貌似没有sample参考。
现有的 都是yuv通过 VO 输出，那jpg 能否通过什么组件去输出到 显示屏。或者说 jpg 需要转 YUV才能再输出VO吗？ 转 YUV的话 有代码参考吗？
您好，想再请教下。
量化与预推理时候 将 --batch-size 1 修改为 --batch-size 25 --iterations 2 ，修改后发现生成的 tensor 的确有变化。
pegasus quantize --model yolov3.json --model-data yolov3.data --batch-size 25 --iterations 2 --device CPU --with-input-meta yolov3_inputmeta.yml --rebuild --model-quantize yolov3.quantize --quantizer asymmetric_affine --qtype uint8
pegasus inference --model yolov3.json --model-data yolov3.data --batch-size 25 --iterations 2 --dtype quantized --model-quantize yolov3.quantize --device CPU --with-input-meta yolov3_inputmeta.yml --postprocess-file yolov3_postprocessmeta.yml
而在导出模型这步却识别不了 iterations 参数，这步难道不需要修改吗？
pegasus export ovxlib --model yolov3.json --model-data yolov3.data --dtype quantized --model-quantize yolov3.quantize --batch-size 25 --iterations 2 --save-fused-graph --target-ide-project 'linux64' --with-input-meta yolov3_inputmeta.yml --output-path ovxilb/yolov3/yolov3prj --pack-nbg-unify --postprocess-file yolov3_postprocessmeta.yml --optimize "VIP9000PICO_PID0XEE" --viv-sdk ${VIV_SDK}
补充下转换过程：
export VSI_USE_IMAGE_PROCESS=1
pegasus import darknet --model yolov3.cfg --weights yolov3.weights --output-model yolov3.json --output-data yolov3.data
pegasus generate inputmeta --model yolov3.json --input-meta-output yolov3_inputmeta.yml
pegasus generate postprocess-file --model yolov3.json --postprocess-file-output yolov3_postprocessmeta.yml
修改 inputmeta
pegasus quantize --model yolov3.json --model-data yolov3.data --batch-size 1 --device CPU --with-input-meta yolov3_inputmeta.yml --rebuild --model-quantize yolov3.quantize --quantizer asymmetric_affine --qtype uint8
pegasus inference --model yolov3.json --model-data yolov3.data --batch-size 1 --dtype quantized --model-quantize yolov3.quantize --device CPU --with-input-meta yolov3_inputmeta.yml --postprocess-file yolov3_postprocessmeta.yml
pegasus export ovxlib --model yolov3.json --model-data yolov3.data --dtype quantized --model-quantize yolov3.quantize --batch-size 1 --save-fused-graph --target-ide-project 'linux64' --with-input-meta yolov3_inputmeta.yml --output-path ovxilb/yolov3/yolov3prj --pack-nbg-unify --postprocess-file yolov3_postprocessmeta.yml --optimize "VIP9000PICO_PID0XEE" --viv-sdk ${VIV_SDK}
大佬们，我又来求助了。
主要有三个问题：
1.yolov3转化模型时量化未使用全部data图片
过程是这样的，在用 sample_odet_demo 使用自己训练模型后，同样的模型对比海思平台，实际检测效果不是特别好。检查了下过程，发现量化时 不管放了多少张图片，但实际只使用了一张图片。怀疑是这里影响了检测效果？
验证1如下：
在2个文件夹文件内容完全一样的基础上，第二个文件夹将 2_416.jpg 图片删掉，dataset.txt 不修改 依然包含此图片。
：
在同样步骤转换后，对比两个文件夹内容发现：少了一张图片的文件夹模型转换过程中 没有报错，此外输入输出Tensor 一模一样，以及 ovxilb/yolov3_nbg_unify/network_binary.nb 都一样。
验证2如下：
在3个文件夹文件内容完全一样的基础上，修改 ②号文件夹 dataset.txt 将第二行与第一行交换， 修改 ③号文件夹 将第三行与第二行交换。
① ②对比
① ③ 对比
转换后：
① ②对比
① ③ 对比
这里发现，①② tensor 以及 nbg 有明显差异，①③tensor 以及 nbg 相同，故怀疑量化时 只使用了第一张图片。这是为什么呢？
2.转化模型时候，中间在 量化 /预推理 有这个输出log，是否有影响或有问题？
3. 使用sample_odet_demo 使用自己训练转化的yolov3模型，图像实时显示标框有点卡顿现象，该怎么调高时钟让其顺畅？
@yteraa 因为导出模型那一步报错了，所以就没有 NBG 模型生成。应该是没办法跳过的。
具体操作 按照资料 - NPU 转换 YOLO V3 模型 。
准备 dataset.txt （1张jpg 416*416）
这样导出后是RGB输入的。可以正常生成 nbg 模型文件可以用。
需要修改yuv输入，就按照客户服务平台修改 YML inputmeta 。但会在第五步报错，就没有生成 nbg 模型。暂时我这边还没去仿真，想先把模型文件成功导出先。报错图片就是上面发的，提示需要两个输入，我理解应该是 inputmeta 需要再加一个输入，但是不太清楚需要怎么去修改，因为发现在预推理那一步 只生成了一个 input.sensor
修改后是这样导出：
准备 dataset.txt （1张jpg 416*416）
设置环境变量（工具转化全过程保持变量）：export VSI_USE_IMAGE_PROCESS=1
除了标注的修改点，其他指令都是参照 NPU 转换 YOLO V3 模型 文档（https://v853.docs.aw-ol.com/npu/npu_yolov3/#_6）
@yteraa 哦哦明白了。但我现在卡在导出模型这步了。修改 nv12 格式导出后，最后一步会提示 需要两个输入 报错无法导出NBG。dataset.txt 就是一张 jpg 图片的话不需要修改的话，请问是哪里还需要去修改吗？
@yteraa 感谢大佬。还想请教下，已经分出了 Y.bin UV.bin，如何修改YML文件将这两个作为输入呢。
貌似不能直接把 bin 当做输入。
按照 NPU 导入 yolov3 模型， 因为默认是 RGB 输入。在服务平台上找到 如何修改 YUV 输入的。
按照解决方法修改 inputmeta 文件 只是生成了一个 input0 ， 在导出 NBG 文件 会因为 没有 2个 input 而导出报错。
感觉应该是在 inputmeta 那里再加一个 input，但没有文档介绍 该怎么去修改 获得 2个 input 再导出 NBG？ 请教下大神。
还真的是，data里面再放一张图片就可以了。做测试，没太在意这个细节，谢谢大佬。